O ponto final sobre o número de variáveis cônicas de Ivakhnenko e Lapa (1965). Eles sugerem que o feedback 'secundário' ser aplicado (bem como o feedback de aprendizagem) para selecionar o conjunto mais útil de variáveis a partir de um grande conjunto apresentado inicialmente. No entanto, como mencionado anteriormente, esta existe em forma menor já. Para explicar, uma vez que, como conseqüência de pesar t-chan ging, um peso variável chega a zero suas estadias lá para o resto do período de aprendizagem; em outras palavras, que a variável é rejeitada.
Este processo só é possível por causa da insistência sobre a normalização dos pesos (ver
(4) abaixo).
(3) A forma ea quantidade de dados históricos deve ser visto como um compromisso entre os requisitos ideais do programa e os aspectos práticos da coleta de dados e requisitos do cliente. O melhor comprimento da história (isto é, o número de períodos considerados) depende, em teoria, do facto de o processo está parado ou não-estacionário. Na verdade, todos os processos são não-estacionário, mas algumas são mais estacionária do que outros.
Isto significa que a média da variável de previsão sobre um conjunto é sempre dependente do tempo, mas em alguns processos a taxa de variação é suficientemente lenta para ser negligenciada. Estes processos são estacionários. Acontece que o mais parado o processo mais longo é o ideal (ver Ivakhnenko e Lapa). Uma vez que a comparação é a base deste método, temos o processo estacionário ideal arid assim uma longa história é melhor. Os problemas práticos do uso de uma longa história são evidentes, sendo a principal delas o espaço de armazenamento que é caro.
O programa lida com 10 períodos da história, mas, mais uma vez, este pode ser estendido facilmente, se necessário. O período de tempo-real usado depende apenas de aspectos práticos de requisitos do cliente. Se o cliente está preparado para comprar e vender em intervalos de duas semanas, em s